[发明专利]一种用于改善图像识别模型领域变换现象的方法

权利要求书

1.一种用于改善图像识别模型领域变换现象的方法，其特征在于，包括：

S1从数据集的图像属性中获得第一属性组合；

S2选取数据集的多个图像，根据所述第一属性组合改变该多个图像的属性，获得与该第一属性组合相对应的第一过程图像；

S3将所述第一过程图像输入到卷积神经网络模型，获得所述第一过程图像的识别准确性；

S4重复执行步骤S1多次，获得多个所述第一属性组合，构成种群；令每个所述第一属性组合相对应的所述第一过程图像的识别准确性的倒数作为每个所述第一属性组合的适应度；

S5基于所述适应度，从所述种群中选取两个所述第一属性组合，并进行交叉和突变处理，获得第二属性组合；

S6通过该第二属性组合改变所述图像的属性，获得与所述第二属性组合相对应的第二过程图像；

S7将所述第二过程图像输入到卷积神经网络模型，获得所述图像的预测值，结合所述图像的真实值，计算获得所述第二属性组合的判断结果；

S8将所述判断结果与预设的筛选阈值进行比较，获得待优化的第三属性组合；

S9重复执行步骤S5至S8，获得多个所述第三属性组合；

S10将数据集分成多个批次的子集，并随机抽取一个所述第三属性组合，用于改变所述子集的图像的属性，获得与某个批次的子集相对应的第三过程图像；

S11将所述第三过程图像输入到卷积神经网络模型进行处理；

S12重复执行步骤S10和S11多次；

S13重复执行步骤S1至S12多次，获得卷积神经网络模型的参数。

2.根据权利要求1所述的方法，其特征在于，步骤S1包括：

S11通过式

计算数据集中每个图像属性的被搜索概率；

S12基于每个图像属性的被搜索概率，以较高的被搜索概率随机搜索每个图像属性对应权重值较小的图像属性，以较低的被搜索概率随机搜索每个图像属性对应权重值较大的图像属性；

S13重复执行子步骤S12多次，获得所述第一属性组合。

3.根据权利要求2所述的方法，其特征在于，步骤S3包括：

S31通过Leaky Relu激活函数构造具有3个卷积层的卷积神经网络模型；

S32将所述第一过程图像输入到该卷积神经网络模型，获得所述第一过程图像的识别准确性。

4.根据权利要求3所述的方法，其特征在于，步骤S4包括：

S41重复执行步骤S1多次，获得多个所述第一属性组合，构成算式

Pop＝{T₁,T₂......T_P} (2)，式中，Pop为所述种群，T为所述第一属性组合；

S42令每个所述第一属性组合相对应的所述第一过程图像的识别准确性的倒数作为每个所述第一属性组合的适应度，构成算式

式中Fit为所述第一属性组合的适应度，ACCT为所述第一过程图像的识别准确性。

5.根据权利要求4所述的方法，其特征在于，步骤S5包括：

S51基于所述适应度，通过式从所述种群中选取两个所述第一属性组合；式中，Sel为从所述种群中选取的所述第一属性组合；

S52通过式对该两个第一属性组合进行交叉处理，获得新个体；

S53以突变率η对所述新个体进行突变处理，获得所述第二属性组合。

6.根据权利要求5所述的方法，其特征在于，步骤S7包括：

S71将所述第二过程图像输入到子步骤S31中构建的卷积神经网络模型，用Adam优化算法训练优化该卷积神经网络模型，获得第一训练结果；

S72基于该第一训练结果，结合所述图像的真实值，根据式判断所述第一训练结果与该真实值是否相等；式中，为对第i的目标的预测值，y_i为第i个目标的真实值，δ_i为Equal函数的返回值，D_N为每次预测目标的个数；

S73通过式对式(6)的返回值进行求和，获得所述判断结果。